Please use this identifier to cite or link to this item: https://ric.cps.sp.gov.br/handle/123456789/8879
Full metadata record
DC FieldValueLanguage
dc.contributor.authorAZEVEDO, Rodrigo de Melo-
dc.date.accessioned2022-06-06T17:59:27Z-
dc.date.available2022-06-06T17:59:27Z-
dc.date.issued2021-
dc.identifier.citationAZEVEDO, Rodrigo de Melo. Desenvolvimento de um modelo para identificação de anomalias no consumo de energia elétrica, 2021. Trabalho de conclusão de curso (Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas) - Faculdade de Tecnologia de São Paulo, São Paulo, 2021.pt_BR
dc.identifier.urihttp://ric.cps.sp.gov.br/handle/123456789/8879-
dc.description.abstractVisando um consumo cada vez mais eficiente de energia, o emprego de tecnologias, como IOT e aprendizado de máquina, tem se tornado mais popular. Um elemento fundamental para o monitoramento e controle do uso de eletricidade, é a detecção de anomalias. Nesta pesquisa foram identificados dois métodos genéricos de detecção de anomalias; métodos baseados em predição, e métodos baseados em clustering. Foi utilizada a biblioteca Tsfresh no processo de engenharia de dados. O algoritmo de detecção usado foi DBSCAN, um algoritmo de clustering baseado em densidade, onde pontos de dados que não pertencem a nenhum cluster, são classificados como anomalias. Durante os experimentos, foi observado que, o produto do processo automatizado de engenharia de dados, no lugar de agregar valor, estava comprometendo a interpretabilidade dos resultados. Por este motivo, foi feito um estudo dos parâmetros usados pelo DBSCAN, e como eles afetam o seu resultado. Concluiu-se que, é necessário buscar equilíbrio entre os parâmetros usados, para extrair resultados mais coerentes.pt_BR
dc.description.abstractAiming at an increasingly efficient consumption of energy, the use of technologies such as IOT and machine learning, has become more popular. A fundamental element for monitoring and controlling the use of electricity is anomaly detection. In this research, two generic detection methods were identified, methods based on prediction, and methods based on clustering. The Tsfresh library was used in the data engineering process. The detection algorithm used was DBSCAN, a density-based clustering algorithm, where data points that do not belong to any cluster are classified as anomalies. During the experiments, it was observed that the product of the automated data engineering process, instead of adding value, was compromising the interpretability of the results. For this reason, a study was made of the parameters used by DBSCAN, and how they affect its result. It was concluded that it is necessary to seek a balance between the parameters used, in order to extract more coherent results.pt_BR
dc.description.sponsorshipCurso Superior de Tecnologia em Análise e Desenvolvimento de Sistemaspt_BR
dc.language.isopt_BRpt_BR
dc.publisher002pt_BR
dc.subjectEnergia elétricapt_BR
dc.subjectMachine learningpt_BR
dc.subjectModelagem de dadospt_BR
dc.subjectEnergia elétrica (consumo)pt_BR
dc.subject.otherInformação e Comunicaçãopt_BR
dc.titleDesenvolvimento de um modelo para identificação de anomalias no consumo de energia elétricapt_BR
dc.typeProjeto de pesquisapt_BR
Appears in Collections:Trabalhos de conclusão de curso

Files in This Item:
File Description SizeFormat 
ads_2021_2_rodrigodeazevedodemelo_desenvolvimentodeummodeloparaidentificacaodeanomalias.pdf
  Restricted Access
1.19 MBAdobe PDFView/Open Request a copy


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.